Modeling Group Opinion Evolution on Online Social Networks: A Gravitational Field Perspective

Abstract

     群体行为的研究对于建立良好的网络环境是有效的，因为社交网络中的人们往往会自发地形成群体。大多数关于在线社交网络上群体行为的研究都假设所有个体都被简化为一个集群，忽略了潜在集群的存在及其在群体舆论动态中的重要性。本文介绍了一种新颖的群体引力场（GGF）模型，从以下几个方面研究基于群体行为的观点演化：1）GGF模型将社交网络中的一个集群简化为一个电荷，将整个网络简化为一个引力场; 2）GGF模型根据拓扑信息计算集群的初始影响力，并进一步基于库仑定律构造网络的引力矩阵； 3）意见领袖集群对引力场内的共同意见集群施加内场力。 GGF模型模拟网络中簇间观点的演化，根据库仑定律根据簇间影响力研究群体行为规律。真实社交网络上的实验验证了GGF模型显着提高了观点演化的速度。仿真实验表明，集群的存在促进了意见的快速收敛，关注者的聚集影响了社交网络中的信息传播，GGF模型更符合现实。本文提供了一种新的网络监督和控制方法。

  索引术语——集群、引力场、群体行为、观点演化、社交网络。

I. INTRODUCTION

   随着社交网络和社交网络应用的发展，社交网络上人们之间的关系逐渐加深，人们自发地形成群体。群体行为是社交网络分析（SAS）的一个重要研究领域，催生了涉及计算机科学[1]、物理学[2]、[3]和社会心理学[4]等领域的跨学科工作。大多数在线社交网络群体行为的研究都是基于观点演化[6]、[7]、[8]、[9]、[10]，即大规模群体行为的建模和模拟。在社交网络的意见演化过程中，具有相似意见的用户最终会自组织[5]形成集群，而集群通常根据其在信息传播过程中的影响力分为意见领袖集群和共同意见集群。意见领袖集群对观点相似的共同观点集群产生正向影响，对观点相反的观点集群产生负向影响。这种现象可以被认为类似于引力场。根据勒温的场论[11]，“场论”依赖于分析社会行为，个体行为同时受到心理场和环境场的影响。场是一个物理概念，最初指的是物体之间的相互作用。在引力场中，场源电荷的功率越大，施加在周围电子上的力就越大。受万有引力理论的启发，个人和群体可以对周围的其他人施加影响。在在线社交网络中，意见互动时簇之间也会出现类场的环境，簇被简化为收费。

基于上述讨论，我们提出了一种类似于引力场的群引力场（GGF）模型。采用基于库仑场的簇间影响力算法计算簇间的影响力，得到簇间的引力矩阵，更新簇内的意见直至收敛。本文提出了三个新颖的方面来建模和分析集群之间的意见演变。这项研究的贡献可总结如下:

1）GGF模型引入了库仑定律，可以更好地映射社交网络中的观点演化，也清晰地反映了集群之间影响力的存在。

2）GGF模型充分考虑了消除结果偏差，更好地反映了拓扑结构集群在网络舆论演化过程中的信息和意义

3）GGF模型通过模拟实验来研究集群在社交网络中的影响，这与网络中的真实情况相关。

在模拟实验中，我们设置了不同类型的集群和意见演化环境。我们在后续的工作中确定了相应的定义。

II. RELATED WORKS

A. Gravitational Field on Social Network

  “场论”已广泛应用于社交网络中，主要用于检测社区或链接。冯等人。 [12]提出了 Inf2vec 模型，用于社交网络中影响力传播路径的概率建模。乔瓦尼等人。 [13]通过随机游走模型模拟影响传播。引入引力场后，通过簇间的引力矩阵，利用簇间的意见差异来衡量影响力传播的过程和规模。严等人。 [14]从统计物理学、微观经济学和博弈论等角度探讨了社会引力定律的根源。巴斯塔米等人。 [15]提出了一种基于无监督引力的链路预测方法，通过集成节点特征、社区信息和图属性来分布和减少预测空间，以提高局部和全局预测的准确性。胡等人。 [16]提出了一种从万有引力角度检测微博动态社区演化的方法。王等人。 [17]提出了用户引力能力的概念。从物理学引力场的角度出发，构建了在线社交网络谣言传播的模型[18]。

B. Bounded Confidence Model (BCM)

  社会影响发生时，个体在置信阈值范围内受到他人影响时可能会改变自己的观点[56]。在 BCM [54] 中，我们认为存在一群有意见的代理人 i。在每个时间步，当任意两个智能体的意见差异低于置信度阈值 d 时，他们会重新调整他们的意见.

其中μ是收敛参数，x和x'分别代表两个代理的意见。我们使用差|x − x′|与 d 相比。代理人只有在意见足够相似时才进行互动，否则懒得讨论。

  意见动态模型可以分为离散模型和连续模型。离散模型包括 DeGroot 模型选民 [19] 和 Galam [20]、社会影响力和 Sznajd 模型 [21]。连续模型包括有界置信度的 DW (DeffuantWeishbuch) [22] 模型和有界置信度的 HK (Hegselmann-Krause) [23] 模型，后者随机选择两个个体在一定范围内进行交互。

   由于社交网络信息来源多样，意见领袖在信息传播中发挥着重要作用。一些研究人员认为意见领袖非常重要[57]、[58]、[59]、[60]。事实证明[24]、[25]网络社交媒体可以更好地向意见领袖提供意见领袖的建议。赵等人。 [24]表明，意见在有意见领袖的社交网络中传播得更快。基于有限置信模型，Chen 等人。 [25]从多个方面分析了意见领袖竞争对社会群体追随者吸引力的影响。

  在意见更新的过程中，常常会考虑个体之间的互动。 PopRank方法被提出来检测有影响力的个体并探索他们对群体意见传播的影响[26]。尹等人。 [27]提出了一种基于有界置信原理的观点演化模型来模拟两个对立的观点领袖子群在观点更新过程中的影响。目前的研究从三个方面扩展了模型，以提高对真实网络的适用性。

1）扩展交互式意见集的选择过程[28]，[27]，[29]，[30]，[31]。

2）扩大意见[32]、[33]、[34]、[35]、[36]的更新过程。

3）扩展模型以适应社交网络结构[37]，[38]，[39]，43]，[41]。

此外，一些观点演化研究仅考虑个体之间的影响，主要集中于将整个网络视为一个集群[42]，[43]，[44]，[45]，[46]，[11]。

C. Group Behavior and Information Dissemination

   研究人员从社交网络中群体的角度关注行为和观点的动态[47]。社交网络中的群体是指在共同利益驱动下自发地或有机地联系在一起的个体，他们能够相互影响或共享信息[48]。 DEVS [55]被引入来建模和模拟人类社会互动和影响。改进的模型[56]研究了基于动态属性和传播的消息更新观点和改变群体或个人之间行为的机制。托马斯等人。 [49]试图整合群体效率的影响并研究其对群体意见的影响。群体行为现象与其影响力之间存在一定的相关性[50]，这为研究群体对个体的影响以及进一步预测个体行为奠定了基础。方等人。 [51]从动态群体行为的角度分析负面舆论演变过程中引导舆论转向的途径。宋等人。 [52]认为网络结构特征对观点演化速率有影响。 Zha 等人研究了基于群体的互动原理。该研究基于群体决策和共识建立过程中的社会关系，从而影响观点的演变[53]。

III. GGF MODEL

A. Overview of the Framework

根据我们要解决的问题，提出了GGF模型，该模型有四个阶段，如图1所示。

图 1. GGF 模型的框架。步骤1包括III中的聚类划分和初始意见的计算。

1）第1步：将整个网络划分为若干个簇。每个个体最多属于一个簇。意见演化在单个集群内进行，直到其中所有个体的意见收敛到一致的状态作为其初始意见。

2) 步骤2：根据拓扑特征计算集群在信息传播中的影响力。进一步将团簇还原为点电荷，将其影响值视为该点电荷的电荷数。

3) 步骤3：按照影响力排序将聚类分为两类：意见领袖聚类和共同意见聚类。本步骤引入库仑定律计算簇间引力，构建簇间引力矩阵。

4）第4步：首先通过置信度阈值来确定意见演化环境的类型。意见领袖集群的选择是基于初始影响力的计算，没有任何集群的影响力。观点演化在不同的观点演化环境下的不同簇之间进行。

表 I 总结了本文中使用的术语。

B. Related Definitions

  在SAS中，网络被简化为无向图G=(V,E)，其中V是个体节点的集合，表示网络中有N个个体，|V| = N 和 E 是边的集合。我们提供了相关定义，以更好地解释社交网络中基于集群影响力的观点演化模型。

  定义1（电荷）：物理学中有两种电荷，点电荷和带电粒子。一个电荷有一定的电荷Q。PA和PB和PC代表一个点电荷A和两个带电粒子B和C，点电荷A可以产生电场，对内部带电粒子B施加力。

图 2. 电荷和簇映射。

这些映射关系如图2所示。

定义2（意见向量）：集群的意见与内部所有个体的意见相关。 xt i 表示簇内第 i 个个体在时间步 t 的意见值。单个簇的意见向量定义为时间步 t 处的 m 维向量 X(t) = (xt 1, xt 2, xt 3, ..., xt m)T，其中有 m 个个体簇。 yt i 可以表示簇 i 在时间步 t 的意见值。整个网络的意见向量可以定义为Y(t) = (yt 1, yt 2, yt 3, ..., yt n )。

定义3（集群类型）：某些集群，即意见领袖集群，可以主导信息的传播，并对其他称为共同意见集群的集群产生影响。 OLC = {cc1, cc2, . 。 。 , ccn1} 被定义为 n1 个意见领袖集群集合的表示，yt olci 表示意见领袖集群 olci 的意见值。相应地，n2个共同意见簇的集合可以描述为CC={cc1,cc2,…。 。 。 , ccn2} 和 yt ccj 表示意见领袖簇 cc j 的意见值。我们假设 yt olci 保持不变并且能够影响 yt ccj 的变化。意见领袖簇被简化为点电荷，共同意见簇被简化为带电粒子。

定义4（意见距离）：对于任意两个簇I和j，假设它们的意见值为yt i 和yt j 。在本文中，我们定义r来表示两个簇之间的意见距离值，表示为r = yt i − yt j

定义5（簇间引力矩阵）：N×N簇间引力矩阵记录了网络中两个簇之间的影响力。 F(i,j)表示矩阵的第i行第j列元素，即簇i和j之间的引力。

  当簇之间的意见距离r在一定范围内时，簇之间就会发生意见交互。假设社交网络中存在多个意见领袖集群和共同意见集群。

  定义6（引力场类型）：

1）内部场力：意见领袖簇和共同意见簇之间的意见距离r小于ε，即两个簇有相似的意见。

2）外部场力：意见领袖簇与普通意见簇之间的意见距离大于ε。

如图3所示，集群A只能对集群B产生影响。

本研究的核心问题表述为

其中ε是置信度阈值，T表示时间，θ是交互阈值，T f 是簇的意见收敛到最终状态的时间，y(t)是表示簇的意见值的向量，当他们收敛到最终状态。

C. Opinion Evolution Within a Cluster

 第一步，使用Leuven算法检测网络中的n个社区，C = {c1, c2,…。 。 。 ，cn}。聚类划分是本文的预处理过程，Leuven算法可以产生稳定的划分结果。这在一定程度上确保了 GGF 模型的稳定性。首先选择交互集

我们假设一个簇有 n 个个体，向量 X(t) = (x t 2, xt 2, ..., xt m, ...) 表示所有个体在时间步 t 的意见值。向量的每个维度代表每个个体的随机意见值 xt i ε[0, 1]。意见互动时可以进行意见互动两个人之间的距离小于阈值。这意味着个体 i 仅与意见在置信阈值 ε 内不同的个体进行交互，并且 |xt i − xt j |表示在时间步 t 时智能体 i 和智能体 j 之间的意见距离。

然后根据规则更新意见

 

式(4)表明用户i将根据交互集的平均值作为其意见。向量 X(t+1) = (x (t+1) 1 , x (t+1) 2 , ..., x (t+1) m ) 表示所有个体在时间 t+1 的意见值。

D. Intercluster Influence Algorithm Based on Coulomb Field

  单个簇被抽象为带有电荷Q的带电粒子，包括该簇的拓扑信息。通过分析集群的特征来确定用于计算初始影响力的拓扑特征。基于库仑场的簇间影响算法框架如图4所示。

图4 基于库仑场的簇间影响算法框架。

1）规模：在现实的社交网络中，从众使得个体更倾向于追随更主流的观点，集群由于规模的扩大而具有更大的潜在影响范围。集群的影响范围计算为

我们用Clu_sca来表示第i个簇的影响范围。 |Vclu_i|和|V|分别是簇 i 和整个网络中的节点数

2）核心：对于簇的内部度而言，簇的结构越紧密，簇内意见传播的效率越高。其中的个人能够轻松达成内部共识。同时，它在外部影响下进行调整的可能性较小。对于集群的外部度，个体通过连接的追随者迭代自己的观点。它表示“狂热统治”，即当更多的追随者联系起来时，一个人拥有更广泛的社会范围。也就是说，连接的追随者越多，个人的社交范围就越广。对于个人来说，程度越大，影响力就越大。对于簇来说，所有个体的度之和越大，影响力就越大。在本文中，我们通过簇中度数之和与整个网络中度数之和的比率来量化簇的重要性

我们使用 Clu_Deg 来表示网络中第 i 个簇的重要性。 Σ|Vclu_i| 1 d j 是第i个簇中所有节点的度之和，并且 Σ|V | 1 d j 是整个网络的度数之和

3）约束力：处于其他成员的多条最短路径上的成员为核心成员，具有较大的介数中心性。集群的介数中心性越大，它在信息传播中发挥的作用就越重要。集群的主导力量计算如下

我们用Clu_betw来表示第i个簇的信息传播能力。 s、t、v 是同一集群中的三个节点，v' 是该集群外的单个节点。 σst(v)是集群内从节点s经过节点v到节点t的最短路径的数量，σst_clu是集群内从节点s到节点t的所有路径的数量。 σst(v′)是整个网络中从节点s到节点t并经过节点v的最短路径的数量，σst是整个网络中从节点s到节点t的所有路径的数量。

4）信息流：节点距离其他节点越近，传播信息对它们的依赖程度越高。如果一个节点与网络中任意节点的距离最小，则可以认为该节点距离网络中心较近，并且具有较大的紧密中心性，从而说明该节点在网络中越活跃，越活跃。它经常传递信息。集群对信息流的影响计算如下

我们用Clu_clo来表示整个网络中第i个簇的激活。 s和t是同一簇中的两个节点，s'和t'是不同簇中的两个节点。 dst 是簇内节点之间的最短距离，ds′t′ 是来自不同簇的节点之间的最短距离。计算一个簇的影响力，即这个簇的电荷是四个特征的加权和

Q 越高，影响越大。我们按降序排列聚类源的影响力。意见领袖集群由前 5% 组成，其余构成共同意见集群。

E. Construction of the Gravity Matrix Between Clusters Analogous to Coulomb’s Law

  本文将簇分解为不同类型的电荷，意见领袖簇在其引力场中对共同意见簇发挥影响力。因此，我们根据库仑定律引入影响力

(12)中的变量r定义如下：

  其中 r 是普通集群和意见领袖集群之间的意见距离。在本文中，我们研究的社交网络中的“距离”r代表两个人之间的意见距离，以区别于空间或时间域中的距离。根据BCM的假设，可以解释，只有当个体的观点与接收到的信息之间的距离低于某个阈值时，个体观点的调整才更有可能发生。引入库仑定律，利用两个簇之间的意见距离来计算与距离成反比的引力大小。假设阈值ε→0，则引力F→∞，代表影响力不存在。也就是说，整个网络中没有发生任何交互。当阈值ε→∞时，任意两个簇之间的距离r小于或等于ε，这意味着任意两个簇可以相互影响。 r越高，F越低。两种观点同时发展的调整概率较低。同理，集群的影响力越高，F就越高。这些趋势与 BCM 的假设一致。

  Q和q分别代表意见领袖集群和共同意见集群的影响力。 k 是库仑定律中的常数。引力的大小反映了观点调整的概率。根据式（3），重力矩阵由下式构造：

其中代表第i个意见领袖集群的影响力，Qi代表第j个共同意见集群的影响力。算法1列出了基于库仑场的簇间影响算法。算法1描述了建模机制，包括簇内的观点演化、基于库仑场的簇间影响力算法以及类库仑定律的簇间引力矩阵的构造。

F. Opinion Evolution Between Clusters

  我们在集群间的意见演化过程中引入引力矩阵，并使用GGF模型将演化环境分为不同类型（见图5）。

图 5. 两种环境中集群之间的意见演变。

以下等式可用于更新共同意见集群的意见，而无需任何意见领袖集群：

其中，I(CCi,x)是共同意见簇CCi的交互集，F(i,j)是第j个意见领袖簇与第i个共同意见簇之间的引力。在引力场环境中，簇间观点的演化计算为

其中 M 表示意见距离小于 εCCi 的意见领袖簇的数量。特别地，当M=0时，(17)被简化为(15)。意见值标准化为

最终收敛范围

算法2描述了集群之间的观点演变。

IV. EXPERIMENT AND ANALYSIS

A. Dataset

  为了评估 GGF 模型的性能，我们在以下现实数据集上进行了意见演化实验。数据集的详细信息如表二所示。

B. Experimental Procedure

 我们验证了GGF模型的有效性和合理性。仿真步骤如下。

1）步骤1.参数设置：在本文中，我们将收敛阈值和时间步的初始上限设置为一定值。我们研究了意见演变环境类型与不同置信阈值之间的关系。这是后续工作的研究基础。

2) 步骤2.获取影响力和引力矩阵：利用Leuven算法将网络划分为若干簇。通过预处理获得簇的初始意见，并根据算法1计算引力矩阵。最后，在需要时通过排名Q来选择意见领袖簇。

3) 步骤3.簇间意见演化：前两步得到划分结果、初始意见和引力矩阵。在不同意见演化环境下进行了相关模拟实验。记录最终演化状态的值和意见演化所花费的时间步长以供分析。

4) 步骤4.对比实验：使用HK和DW模型在同一数据集上进行观点演化，模拟簇间的演化，并记录观点演化的时间来比较性能。

C. Experiment on Setting Parameters

  设置模拟社交网络 G = (v, E) 来处理实验，其中 |V | = 100，E = 300。时间步长上限设置为10 000，收敛阈值θ设置为0.0002。

  图6（a）通过将置信度阈值ε设置为0.05，揭示了意见演变的可视化结果。最终的状态众说纷纭。所有个体的状态最终在有限的网络中分散，因为他们通过较少的沟通和互动来维持自己的观点。从图6（b）中可以看出，它画出了置信度阈值ε设置为0.15的模拟实验。最终的意见演变成了两种状态。图 6(c) 显示了仿真结果将置信阈值ε设置为0.20的实验。意见的最终状态趋于一致。

   从真实社交网络的角度来看，个体倾向于与具有相似观点的人进行互动。由于交互范围扩大，个体与更多不同意见的人交互，导致个体有相反的意见，因此缩短了达成共识所需的时间步长。这些现象与现实生活中的情况是一致的，揭示了适当的阈值总是促进意见最终的趋同状态。

D. Experiment on Obtaining the Influence and the Gravitation Matrix

   我们基于Dolphins网络验证了分类结果的合理性。 Dolphins网络分为5个簇，可视化结果如图7所示。

表III记录了每个簇的初始意见值。集群 2 和集群 5 之间的意见差异值很小。它们之间的引力是引力矩阵中最大的。这表明簇 5 可以轻松地促使簇 2 附和簇 5 的意见。集群5中的海豚比其他集群中的海豚距离更近，这可以帮助它们更好地生存，并且对其他集群有更多的威慑力。

   根据表III，我们计算了该网络的引力矩阵。结果如表IV所示。

选择集群5作为意见领袖集群，对其他集群的影响力更大，更符合实际。

E. Experiment on Opinion Evolution in Different Opinion Evolution Environments

  我们在电网中进行了仿真实验。该网络分为 42 个簇，其中两个簇为意见领袖簇（如图 8 所示）。

  图8 电网社区划分结果。正如其中所观察到的，我们根据更接近的集群分布来标记集群分区的样本。
我们设置不同的置信度阈值来确定意见演化环境。意见演化首先在没有任何意见领袖集群的情况下进行，设置 ε = 0.20 [见图 9(a)]。在下面的实验中，我们选择 Q 最高的两个簇作为意见领袖簇。 y0 olc1 = y0 olc2 = 0.44 并且不随时间更新[见图 9(b)]，一致状态在 T = 12 时收敛。

图 9. 电网网络上一致意见演变的收敛。 (a) 意见领袖集群不存在。 (b) 存在意见领袖集群。

图 10. 电网网络上意见演变为两极分化。 (a) 意见领袖集群不存在。 (b) 存在意见领袖集群。

  我们还研究了设置ε = 0.5的意见极化，并进行了没有意见领袖集群的意见演化模拟实验[见图10(a)]。最终状态极化为两种状态。选择两个意见领袖簇，y0 olc1 = 0.79，y0 olc2 = 0.31。整个网络收敛到极化状态所需的时间更少[见图10(b)]。

同时，我们还模拟了意见演变之前无需进行集群分区即可继续。最终状态在 T = 33 时达到一致状态（见图 11）。

图 11. 没有事先进行聚类划分的意见演变。

图 12. 电子邮件-欧盟核心网络上一致意见演变的收敛。 (a) 意见领袖集群不存在。 (b) 存在意见领袖集群。

  Email-Eu-core网络分为42个集群，其中包括两个意见领袖集群。设置 ε = 0.20 时一致状态的值如图 12 所示，设置 ε = 0.15 时相反状态的值如图 13 所示

图 13. Email-Eucore 网络上意见演变分裂为两极分化状态。 (a) 意见领袖集群不存在。 (b) 存在意见领袖集群。

  Netscience网络分为405个集群，其中包括20个意见领袖集群（见图14）。

图 14. Netscience 网络中社区划分的结果。我们标记了该网络中集群分布的范围，并显示了集群分区的几个样本。

此中的每个簇网络工作的规模不大。当 ε = 0.25 时，意见在 T = 23 时收敛到一致状态，最终群体意见值为 0.50。当 ε = 0.20 时，群体意见在 T = 20 时使两个状态两极分化，最终群体意见值为 0.75 和 0.26。

图 15. Netscience 网络上集群之间的意见演变。 (a) ε = 0.25。 (b) ε = 0.20。

结果如图15所示。与之前的模拟类似，基于集群的观点演化比基于个体的观点演化更快地达到稳定状态。此外，在存在簇的情况下，群体达到最终状态所需的时间会更少f意见领袖，无论是趋于统一状态还是两极分化状态。本文提出的GGF模型可以很好地模拟社交网络中的观点演化。意见领袖集群的选择和意见演化过程与真实情况相符。

F. Comparative Test Analysis

  表5比较了使用HK模型、DW模型和GGF模型这三种模型的收敛时间步长。统一态或极化态。本文提出的GGF模型可以很好地模拟社交网络中的观点演化。

  GGF模型在群体意见演化中收敛到共识所需的时间最少。这种情况在电网网络和Email-Eucore网络中更为明显，因为它们的集群规模不均匀且特征鲜明。

  在个人社交网络中，HK模型和DW模型导致观点演化收敛速度缓慢。在集群社交网络中，观察到更快的扩散速度。这意味着群体或群体中的个体更容易受到“精神统一”的影响。这可能是由于两个人之间的亲密关系。个人更喜欢通过信任关系与同一群体中的人进行互动，而不是与该群体之外的人进行互动。最后，类似的观点在这个群体中很快就会转变。在模拟实验中，我们还证明了意见领袖集群的存在与意见演化速度之间的相关性。这说明，当有人在社交网络中系统地引导舆论时，舆论的演变就会加速。

V. CONCLUSION

  GGF模型是一种以群体为基础对“群体行为”进行有效建模和研究的方法。本文从微观和宏观的角度，研究不同环境影响下群体观点的演变（具有相似或相反意见领袖的集群的存在）。意见领袖集群的存在将加速共同意见集群向他们靠拢。这可以利用研究极端观点的演变。

  本文中，相应的权重说明了计算集群初始影响力时各个维度的重要性。为了提高模型的有效性，后续研究从更广阔的角度分析集群影响力的影响因素，作为未来潜在的焦点，例如影响力活跃值。此外，在未来的工作中，我们将尝试通过在单个集群中应用分布函数来拟合意见分布。当所有人的意见在一定区间内浮动时，分布函数可以将所有意见值映射到一个精确值，作为集群中的共识意见。